1703536736
1703536737
也可能对许多序列联合进行去GARCH处理。这种做法显而易见，因为波动率常常被观测到会趋向一致。Anderson和Vahid（2007）、Bauwens和Rombouts（2007）、Engle和Marcucci（2006）研究了混合资产波动率模型，这些资产可从它们随机过程的相同部分中获利。甚至像Engle等人（1990a）、Milunovich和Thorp（2006）的论文中涉及的波动率溢出效应也可以有效地引入此问题中。
1703536738
1703536739
1703536740
1703536741
1703536742
预见相关性：风险管理新范例 [:1703535716]
1703536743
预见相关性：风险管理新范例 4.2 估计似相关系数
1703536744
1703536745
标准化收益序列似相关系数矩阵的三种被最普遍用到的表达式即是：综合模型、均值回复模型和非对称性模型。任何情况下，一个定义为矩阵Q随机序列都可以作为相关系数矩阵的近似。我们称之为似相关系数矩阵。
1703536746
1703536747
在综合模型中，任意两个变量间都可以计算随机序列Q。
1703536748
1703536749
1703536750
1703536751
1703536752
这是一种对指数平滑的直接模拟，只是这些数据的波动率经过调整。其中只包含了一个参数λ，而且它可以用于该体系的所有等式。此模型被称为综合DCC模型，因为过程Q存在单位根。此过程并不存在协方差回复为常数的趋势，并且应该对偶尔跳跃的相关系数建模非常有用。有许多序列具有结构突变，而且突变后不大可能恢复。上述表达式的矩阵形式为
1703536753
1703536754
1703536755
1703536756
1703536757
相关系数的变化绝大部分似乎都是暂时的，并且是均值回复的。包含如上假设的表达式类似于一个简单的GARCH（1，1）过程。更精确地说，均值回复模型近似于一种标量对角向量GARCH模型，但只是针对经调整波动率后的数据。前两种资产的似相关系数序列可表达为
1703536758
1703536759
1703536760
1703536761
1703536762
此过程的矩阵形式可以简单表达为
1703536763
1703536764
1703536765
1703536766
1703536767
此过程有两个未知的动态参数并且在截距项矩阵中有（1/2）Nx（N-1）参数。
1703536768
1703536769
幸运的是，一种简单估计截距项参数的方法可通过相关系数靶向法获得。下面会更详细地讨论该方法，但本质上它相当于使用一种经调整波动率随机变量间的非条件相关系数的估计量。那么，采用以下的估计量
1703536770
1703536771
1703536772
1703536773
1703536774
可以将剩余未知参数的数量降至2个。评估此估计量的性能时必须考虑这一点，第11章便会谈到这一点。其约束条件的统计学基础也会在今后更为详细地讨论。
1703536775
1703536776
将式（4-11）代入式（4-10），便得出均值回复DCC模型的基本形式
1703536777
1703536778
1703536779
1703536780
1703536781
如果α、β和（1-α-β）全为正值且初始值Q1正定，那么矩阵Q可确保正定。这是因为Q接下来每一时期的值都由正定或半正定矩阵简单加总而成，因而必然是正定的。
1703536782
1703536783
现在可以清晰地看出此模型是如何运转的。由Q中非对角元素近似得出的相关系数随时间迁移而变化，以作为对收益相关的新信息的反应。当收益朝同方向变化时——无论它们是同时变大或同时变小——它们之间的相关系数将增大至平均水平以上并在一段时间内保持不变。信息的作用会逐步衰退，相关系数也将跌回其平均值水平。与此类似的，当资产收益往相反方向变化时，相关系数将暂时低于其非条件取值。两个参数（α，β）控制着此调整过程的速度。这两个参数需从数据中估计得出。需要注意的是，这是一个极度简洁的表达式，因为无论建构的模型规模多大，只需要用到两个参数。
1703536784
1703536785
第三个非常有用的模型是非对称DCC模型，或称ADCC。此模型认为正负随机变量对相关系数的动态调整情况是不同的。在式（4-9）可清晰看出当变量全部为正时的相关系数同它们全部为负时的相关系数完全相同。然而，在许多金融的实际应用中，可观察到当市场价格整体下降时，相关系数增长更快。因而需要在相关系数过程中添加新的一项